Puoliohjaava päätöspuu
Puoliohjaava päätöspuu (Semi-supervised Decision Tree) laajentaa tavallisten päätöspuiden induktiota – kuten CART tai C4.5 – hyödyntääkseen merkitsemättömiä havaintoja yhdessä merkittyjen harjoitusaineistojen kanssa. Iteratiivisesti antamalla epävirallisia merkintöjä merkitsemättömälle datalle ja sisällyttämällä ne kasvavaan tai jakautuvaan prosessiin, algoritmi voi saavuttaa paremman tarkkuuden kuin täysin ohjattu puu, joka on harjoitettu pelkästään merkityllä osajoukolla. Tämä on erityisen arvokasta, kun merkintä on kallista tai aikaavievää.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Levin, E. & Shapiro, E. (2000). Learning Decision Trees from Semi-labeled Examples. Proceedings of the ICML Workshop on Attribute-Value and Relational Learning. link ↗
- Zhu, X. & Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Morgan & Claypool Publishers. ISBN: 978-1-598-29548-9
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Semi-supervised Decision Tree Learning. ScholarGate. https://scholargate.app/fi/machine-learning/semi-supervised-decision-tree
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- PäätöspuuKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Label PropagationKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →